劉艷麗 張曉樂 呂正陽 徐振豪 劉 洋

(1.遼寧工程技術(shù)大學(xué)電氣與控制工程學(xué)院 葫蘆島 125105；2.國網(wǎng)葫蘆島供電公司興城市供電分公司 葫蘆島 125100)

1 引言

在低壓用電系統(tǒng)中，常因接觸不良引發(fā)電氣火災(zāi)，其中因故障電弧引起的電氣火災(zāi)次數(shù)呈逐年上升趨勢，必須給予足夠的重視。串聯(lián)型故障電弧具有隱蔽性、隨機性、復(fù)雜性，尤其在多負載回路中，某一支路發(fā)生電弧故障，干路電流中的電弧特征會被各支路電流負載特征所淹沒，普通的故障電弧斷路器難以檢測到故障電弧，更難以知曉故障電弧所發(fā)生的支路。

與國外相比，我國學(xué)者對故障電弧的研究起步較晚，早些年串聯(lián)型故障電弧的檢測方法主要為特征分析加模式識別的方法，通常選取故障電弧所在回路的電弧電流、負載端電壓為分析對象進行故障檢測?；芈冯娏鳈z測法因不受故障電弧發(fā)生位置的影響，受到相關(guān)科研人員的青睞。

崔芮華等[1]提出采用脈寬百分比、變異系數(shù)、間諧波均值和小波奇異熵四個特征量對線路電流時域、頻域和時頻域特征進行提取，依據(jù)突變理論建立故障電弧評價模型，對多特征量信息融合求出故障電弧評價指標。郭鳳儀等[2]采用不同試驗條件下的 LBP 直方圖數(shù)據(jù)建立數(shù)據(jù)庫，隨后采用最大相關(guān)系數(shù)的數(shù)據(jù)庫匹配準則實現(xiàn)故障電弧的檢測及選線。劉麗智等[3]開展了接觸松動和機械振動兩種生弧條件下的串聯(lián)故障電弧試驗，提出了基于分形理論和小波包自回歸(Autoregressive model，AR)分析的串聯(lián)型故障電弧特征提取方法。王毅等[4]提出一種時頻域分析與隨機森林結(jié)合且適用于多種典型負載單獨或混合工作的串聯(lián)型低壓故障電弧識別方法。謝國民等[5]利用形態(tài)學(xué)算法對電流各個頻段方差的重構(gòu)信號進行濾波，突顯出故障情況下的電流特征，通過最大類間方差OTSU 方法提取波形閾值，并統(tǒng)計閾值與濾波后波形的交點個數(shù)。文獻[1-5]一般先提取出故障電弧電流的某些時頻域特征，然后利用特定數(shù)學(xué)方法對其進行分析，或者使用特征向量訓(xùn)練神經(jīng)網(wǎng)絡(luò)以實現(xiàn)故障電弧檢測。

曾珂等[6]在115 V/360-800 Hz 條件下模擬了串行和并行電弧故障，分析了不同頻率條件下故障電弧的變化規(guī)律，從時頻域的角度研究了交流電弧故障電流的特征。趙懷軍等[7]計算回路電流的零休時間比例系數(shù)、濾除低頻成分后的歸一化絕對值最大相互系數(shù)，利用模糊邏輯器將兩系數(shù)進行融合處理得到綜合特征識別系數(shù)，與經(jīng)驗閾值比較判別電弧故障。唐圣學(xué)等[8]提出一種基于小波包能量熵特征并結(jié)合極限學(xué)習(xí)機(Extreme learning machine, ELM)檢測微弱直流串聯(lián)故障電弧的方法。郭鳳儀等[9]提出了一種基于灰度-梯度共生矩陣的特征提取方法。余瓊芳等[10]提出了一種基于小波特征及深度學(xué)習(xí)的串聯(lián)故障電弧檢測方法。文獻[6-10]較之前的研究其試驗方案更加完善，研究思路更加新穎，分析方法更加先進，但主體思路仍是特征分析加機器學(xué)習(xí)，不過已經(jīng)開始出現(xiàn)與深度學(xué)習(xí)進行融合的分析方法。

近年來，隨著人工智能的蓬勃發(fā)展，利用深度學(xué)習(xí)進行模式識別引起了研究者的重視。國內(nèi)外故障電弧領(lǐng)域?qū)＜覍W(xué)者也開始嘗試利用深度學(xué)習(xí)方法實現(xiàn)故障電弧的檢測。褚若波等[11]通過構(gòu)建多層卷積神經(jīng)網(wǎng)絡(luò)，提取電弧圖像高維特征，以時域灰度值圖像的形式直觀展示了卷積神經(jīng)網(wǎng)絡(luò)算法對故障電弧數(shù)據(jù)的抽象特征提取情況。余瓊芳等[12]在國內(nèi)首次提出用深度學(xué)習(xí)的方法檢測故障電弧，建立并改進了AlexNet 卷積神經(jīng)網(wǎng)絡(luò)，結(jié)果顯示模型故障電弧檢測準確率在85%以上。WANG 等[13]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的電弧檢測模型ArcNet，將該模型應(yīng)用于樹莓派3B 中，在電弧檢測精度與模型運行時間之間進行了權(quán)衡研究。文獻[11-15]研究了基于深度學(xué)習(xí)的故障電弧檢測方法，但電路結(jié)構(gòu)一般為單相單負載。

雖然此前有研究者做過基于多負載并聯(lián)試驗的故障電弧檢測，但使用的是傳統(tǒng)特征分析方法且僅局限于故障電弧診斷而未實現(xiàn)故障支路的選線[16-17]。故障電弧檢測經(jīng)過多年的研究誕生了很多方法，但隨著時間的推移可供創(chuàng)新的點越來越少，因為不同學(xué)科之間存在交叉，在專注故障電弧研究的同時，廣泛閱讀其他領(lǐng)域模式識別及故障診斷等方面的文獻，會給故障電弧檢測提供新的解決方案[18-21]。

本文在開展家用多負載并聯(lián)電路故障電弧試驗的基礎(chǔ)上，直接以干路電流時間序列為樣本，訓(xùn)練一維卷積神經(jīng)網(wǎng)絡(luò)，并對模型進行改進優(yōu)化得到了故障電弧診斷及選線模型。通過使用連續(xù)電流數(shù)據(jù)對模型的魯棒性、抗擾性及泛化性進行測試分析，證明了該模型對家用負載進行串聯(lián)故障電弧智能診斷及選線的可能性。

2 家用多負載串聯(lián)型故障電弧試驗

2.1 試驗電路及方案

試驗系統(tǒng)電源電壓為交流 220 V，導(dǎo)線為2.5 mm2銅線。DZ47 型斷路器對回路起正常開斷、過電流保護、短路保護及漏電保護作用。試驗選取了家庭中常用的白熾燈、電磁爐、小太陽、手電鉆、洗衣機、吹風(fēng)機、熱水壺作為負載。主電路如圖1所示。試驗主電路及故障電弧發(fā)生器實物如圖2 所示。試驗時將所需的負載接入電路中，隨后將故障電弧發(fā)生器串于圖1 中的點1～8，模擬不同負載支路、 干路發(fā)生故障電弧, 將電壓互感器LHB500V5VT1 接于故障電弧發(fā)生器觸頭兩端測量故障電弧電壓，利用電流互感器HCS-ES5-10A 分別測量干路和故障支路電流。通過數(shù)據(jù)采集卡USB3200 將干路、故障支路電流以及故障電弧電壓數(shù)據(jù)保存到計算機。

圖1 故障電弧試驗主電路

圖2 主電路實物圖

參照UL1699 標準，研制了串聯(lián)故障電弧發(fā)生裝置來產(chǎn)生故障電弧。試驗時先使動觸頭與靜觸頭良好接觸并接通主電路，模擬線路正常工作狀態(tài)，然后控制步進電機控制器使步進電機轉(zhuǎn)動，帶動安裝在滑臺上的移動電極橫向緩慢移動，使動、靜觸頭分離，直至電弧發(fā)生。各負載參數(shù)及具體試驗方案如表1 及表2 所示。

表1 負載參數(shù)

表2 試驗方案

2.2 試驗數(shù)據(jù)選取

為有效區(qū)分正常運行與故障電弧狀態(tài)，相關(guān)學(xué)者大部分以穩(wěn)定燃弧時的故障電弧電流信號為對象，分析故障電弧特征，建立診斷模型。穩(wěn)定燃弧前，接觸點要經(jīng)歷正常運行、初始燃弧、穩(wěn)定燃弧的動態(tài)變化過程。若能以初始燃弧時的電流為分析對象，將增加故障電弧診斷技術(shù)的實時性。

對于居民用戶的斷路器，多為一臺斷路器對多個并聯(lián)負載電路進行保護?，F(xiàn)有的民用系統(tǒng)故障電弧保護技術(shù)，保護對象基本為單相單負載回路。

針對以上問題，本文以初始燃弧狀態(tài)的干路電流為分析對象，以期達到通過干路電流實現(xiàn)對串聯(lián)型故障電弧快速診斷及選線的目的。圖3 為獲得的試驗組別1～6 中洗衣機支路燃弧前后干路電流結(jié)果，從圖3 能明顯看出，初始燃弧時電流信號諧波較大且存在很多尖峰脈沖，與穩(wěn)定燃弧時電流波形差別較大。

圖3 洗衣機支路故障干路電流

2.3 試驗結(jié)果分析

本文將故障電弧發(fā)生點分別設(shè)置在干路和各負載支路。試驗組別1～6 對應(yīng)的五負載回路中，各支路及干路初始燃弧時的干路電流波形如圖4 所示。

圖4 五負載回路故障電弧試驗干路電流波形

由圖4 可見，因燈泡支路正常運行時支路電流較大、回路阻抗較小，發(fā)生故障電弧時，接觸電阻上電壓降較大、燈泡支路電流幅值降低，進而導(dǎo)致干路電流幅值降低較多。此外，因發(fā)生故障電弧時燈泡支路諧波增加，導(dǎo)致干路電流波形發(fā)生畸變。

因小太陽本身為線性負載且故障電弧信號特征較微弱，小太陽支路發(fā)生電弧故障時與各負載正常工作時的干路電流波形相似。

當手電鉆支路以及洗衣機支路發(fā)生電弧故障后，可以看出電流波形出現(xiàn)了毛刺，但這種毛刺并非出現(xiàn)在過零點附近，這是與單負載發(fā)生故障電弧時不同的地方。推測是由于各支路電流的相角不一樣，在干路經(jīng)過疊加后，原本應(yīng)在過零點附近出現(xiàn)的特征出現(xiàn)在干路電流中的其他位置。

干路發(fā)生故障電弧時，干路電流幅值明顯降低。故障電弧發(fā)生在干路，同樣接觸電阻情況下分壓較大，導(dǎo)致回路電流小幅度降低。此外波形毛刺較正常運行時顯著增多，過零點處也有輕微的平肩現(xiàn)象。

綜上，多負載回路干路和燈泡支路發(fā)生串聯(lián)型故障電弧時，故障電弧所在回路電流變化較明顯，主要表現(xiàn)為零休、電流幅值減小、諧波增加等。通常情況下很難從干路電流幅值、諧波等情況判斷故障電弧發(fā)生的位置。

3 串聯(lián)型故障電弧診斷及選線模型的建立

為實現(xiàn)單相多負載并聯(lián)回路串聯(lián)型故障電弧診斷及選線，本文建立一維卷積神經(jīng)網(wǎng)絡(luò)模型的過程如圖5 所示。

圖5 建立故障診斷及選線模型流程圖

3.1 深度學(xué)習(xí)模型庫Keras

本文基于Keras 搭建了故障電弧診斷及選線模型。Keras 是一個模型級的庫，為開發(fā)深度學(xué)習(xí)模型提供了高層次的構(gòu)建模塊。Keras 依賴于其后端引擎實現(xiàn)張量操作、微分等運算。目前，Keras 有三個后端實現(xiàn)，即TensorFlow 后端、Theano 后端和微軟認知工具包(CNTK)后端，且都可以無縫嵌入到Keras中，其軟件棧和硬件棧如圖6 所示。通過后端引擎，Keras 可以在CPU 和GPU 上無縫運行。本文使用運行速度較快的GPU 版TensorFlow 訓(xùn)練模型，其封裝的運算庫為cuDNN。

圖6 深度學(xué)習(xí)的軟件棧和硬件棧

3.2 一維卷積神經(jīng)網(wǎng)絡(luò)模型的建立

對于某些序列處理問題，一維卷積神經(jīng)網(wǎng)絡(luò)的效果可以媲美循環(huán)神經(jīng)網(wǎng)絡(luò)，且計算代價通常比循環(huán)神經(jīng)網(wǎng)絡(luò)小很多。一維卷積神經(jīng)網(wǎng)絡(luò)通常與空洞卷積核Dilated Kernel 一起使用，已在音頻生成和機器翻譯領(lǐng)域取得巨大成功，在模式識別領(lǐng)域也已嶄露頭角。

二維卷積神經(jīng)網(wǎng)絡(luò)一般從圖像張量中提取二維圖塊，并對每個圖塊應(yīng)用相同的變換。按照同樣的方法也可以使用一維卷積，從序列中提取局部一維序列段即子序列，如圖7 所示。

圖7 一維卷積層工作原理

3.2.1 樣本選取及類別標簽定義

為獲得足夠優(yōu)質(zhì)的樣本，試驗時在每種工況條件下完成試驗200 次，取每次試驗結(jié)果的初始燃弧階段前5 個周期的干路電流信號作為模型樣本，每個樣本為單周期時間序列，共2 000 個時間序列點。本文將試驗組別1～6 所得的7 000 個樣本劃分為訓(xùn)練集、驗證集和測試集，樣本數(shù)分別為5 000、1 000、1 000 個。診斷及選線模型將樣本劃分為燈泡故障、電磁爐故障、干路故障、手電鉆故障、洗衣機、小太陽故障及正常七類，對應(yīng)標簽如表3 所示。試驗組別7～12 的樣本用于驗證模型的泛化性。

表3 樣本標簽對應(yīng)表

3.2.2 樣本歸一化處理

為了使模型專注學(xué)習(xí)故障電弧的重要特征，而不受回路電流大小的影響，對樣本進行歸一化，即按照x=(x-mean)/std(axis=0)，將數(shù)據(jù)歸一化為均值為0、方差為1 的數(shù)值，使其接近正態(tài)分布。其中mean 為樣本均值，std 為樣本標準差，axis 為維度。

3.2.3 網(wǎng)絡(luò)模型架構(gòu)與參數(shù)設(shè)置

本文提出的一維卷積神經(jīng)網(wǎng)絡(luò)模型主體是一維卷積層、一維池化層與Dropout 層的堆疊。具體網(wǎng)絡(luò)模型架構(gòu)參數(shù)如表4 所示。

表4 一維卷積神經(jīng)網(wǎng)絡(luò)模型參數(shù)

所提出的一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖8 所示。輸入數(shù)據(jù)為連續(xù)的干路電流時間序列，在經(jīng)過多層卷積、池化的特征提取，其中穿插防止網(wǎng)絡(luò)過擬合的Dropout 層，得到一維輸入長度降低的采樣數(shù)據(jù)，最后通過一個全局平均池化層，將數(shù)據(jù)展開為二維輸入到全連接層里進行分類。

3.2.4 一維卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

本文采用交叉熵函數(shù)作為損失函數(shù)，記錄網(wǎng)絡(luò)的預(yù)測值和真實值之間的差異，如式(1)所示

式中，Y是真實值；代表神經(jīng)網(wǎng)絡(luò)的預(yù)測值；N代表樣本數(shù)量；M代表標簽數(shù)量；yij為指示變量(0或1)，即如果真實值和預(yù)測值相同就為1，否則為0。

優(yōu)化器的選擇對于模型的訓(xùn)練至關(guān)重要，它關(guān)系到模型能否準確找到參數(shù)的最優(yōu)值。本文選擇的優(yōu)化器是RMS Prop，它是對AdaGrad 和Adadelta的改進，可以從學(xué)習(xí)率的角度加快學(xué)習(xí)速度，并可以解決振蕩問題。如果某個權(quán)重參數(shù)方向的擺動幅度大(噪聲或振蕩大)，那就說明這一參數(shù)的方差大，如果動態(tài)地將該參數(shù)方向的學(xué)習(xí)率降低，就能夠減小梯度下降步長，從而減小擺動幅度，反之增加步長，使其能夠更快到達最優(yōu)點。因此在RMS Prop 中，用梯度除以該參數(shù)的指數(shù)加權(quán)平均方差來實現(xiàn)這一功能。在應(yīng)用RMS Prop 時，用式(2)更新參數(shù)

式中，ω是神經(jīng)網(wǎng)絡(luò)的權(quán)重；b為偏置；β是對過去的權(quán)重；sdw、sdb分別為dw2和db2的移動加權(quán)均方差；α為學(xué)習(xí)率；ε是為了防止分母為0 增加的補償項，一般取值為10-8。

試驗時，使用Tensorflow 對網(wǎng)絡(luò)進行200 輪訓(xùn)練，Batch_size 等于256，所得準確率與損失函數(shù)值如圖9 所示。

圖9 模型的準確率與損失函數(shù)值

對比分析準確率和損失函數(shù)值的變化，可以發(fā)現(xiàn)前75 輪(epoch)準確率快速增加，相應(yīng)的損失函數(shù)值也在快速下降，隨后訓(xùn)練集準確率增長趨于平緩，驗證集準確率沿90%上下波動。

在開始試驗超參數(shù)時，先將學(xué)習(xí)率設(shè)置為0.000 1，發(fā)現(xiàn)準確率增長在80 輪(epoch)左右即趨于停滯，保持在0.7 左右，此時立即停止訓(xùn)練，推測可能是學(xué)習(xí)率設(shè)置過小，導(dǎo)致網(wǎng)絡(luò)陷入局部最優(yōu)難以跳出。將學(xué)習(xí)率設(shè)為默認值(0.001)繼續(xù)訓(xùn)練，雖然本文在模型中加入了Dropout 層，可以發(fā)現(xiàn)50 輪(epoch)前后，驗證集準確率曲線在保持較大幅度的增長后就處于振蕩狀態(tài)，這表明了在訓(xùn)練過程中模型一直在努力優(yōu)化以達到最佳，但模型還是存在過擬合，可能是數(shù)據(jù)量較少或者網(wǎng)絡(luò)容量過大所致。同時在程序中使用回調(diào)函數(shù)(Callback)，只保存在驗證集上表現(xiàn)最佳的模型，其準確率為98.6%。

在訓(xùn)練過程中不斷嘗試改變網(wǎng)絡(luò)的架構(gòu)以嘗試達到最佳效果，如增減卷積層數(shù)、改變單層卷積核的數(shù)量或大小，或是在卷積層后加入BN 層，大部分準確率都無法超過90%，最終選定表4 的模型架構(gòu)。

4 選線診斷模型測試分析

4.1 連續(xù)電流數(shù)據(jù)測試效果分析

在模型訓(xùn)練結(jié)束后，需要對模型的故障電弧診斷及選線效果進行驗證。本文選取測試集中三組連續(xù)的不同故障類型的干路電流數(shù)據(jù)進行測試，分別為燈泡故障、手電鉆故障、洗衣機故障，每組數(shù)據(jù)長度均為3 s，包含150 個完整電流周期。圖10 中左側(cè)縱軸為模型輸出概率的最大值，表示模型對它所代表的故障類型最為肯定，橫軸為時間軸t，右側(cè)縱軸為分類標簽，故障類型與標簽的對應(yīng)關(guān)系見表3。對比CNN 分類結(jié)果與實際類別，由圖10a 可知，在1 s 時發(fā)生電弧故障，模型在燃弧前存在數(shù)個連續(xù)的誤判點，推測可能是由于燃弧前接觸電阻增大使模型誤以為已發(fā)生電弧故障。而在初始燃弧階段誤判點較多，將燈泡故障(1)誤判為電磁爐故障(2)及小太陽故障(6)，猜測是因為此時電弧燃燒不穩(wěn)定，故障電弧特征不明顯所致。

圖10 選線診斷模型測試效果

在圖10b 中，同圖10a 一樣在燃弧前存在誤判，而對于圖10c，初始時刻及燃弧前均存在誤判點，并且發(fā)現(xiàn)兩者在燃弧后均未發(fā)生誤判，推測可能是由于手電鉆、洗衣機負載發(fā)生故障時的特征較燈泡等阻性負載明顯，模型更易區(qū)分。經(jīng)驗證，模型對串聯(lián)型故障電弧平均診斷及選線準確率為93%，效果較好。

盡管所訓(xùn)練的多負載并聯(lián)診斷及選線模型擁有較高的故障電弧檢測精度，但仍存在少量樣本分類錯誤，選取兩個干路電流樣本，第一個標簽為0(干路正常)被判別為1(燈泡故障)，第二個樣本標簽為1(燈泡故障)并被正確分類。本文提取了這兩個樣本最后輸入dense 層前的大小為74×256 的特征向量進行分析。如圖11 所示，仔細觀察圖11a 和圖11b 可以發(fā)現(xiàn)，直觀上不難分辨出兩個樣本的不同，但第一個樣本僅僅在某處有很輕微的零休現(xiàn)象且波形有些許畸變就被判別為電弧故障。將兩個樣本的特征向量進行可視化，如圖11c 及圖11d 所示，其中橫坐標代表特征向量的行數(shù)，縱坐標代表列數(shù)，白色部分代表數(shù)值0，灰色部分代表非0 數(shù)值，顏色的深淺代表數(shù)值的大小，可以發(fā)現(xiàn)所提取的特征向量總體上是一個稀疏矩陣，白色部分較多。對比圖11c和11d 可以發(fā)現(xiàn)，兩個樣本的特征向量雖然在整體分布上關(guān)聯(lián)性不大，但在某些局部是相似的，推測可能是采集的正常電流數(shù)據(jù)混入了背景噪聲，或者是干路電流中包含其他正常工作的非線性負載特征，使模型誤以為發(fā)生電弧故障。在數(shù)據(jù)庫中還有一些其他的樣本，它們具有非常小的電弧特征，但被錯誤地判定為故障。

圖11 模型對錯誤分類樣本的特征可視化

4.2 噪聲對模型性能的影響分析

選取測試集中的連續(xù)洗衣機故障干路電流數(shù)據(jù)進行抗噪測試，使用Awgn 函數(shù)給數(shù)據(jù)中加入信噪比為20∶1 的高斯白噪聲，添加噪聲前后的電流波形對比如圖12 所示。圖13 為對加噪數(shù)據(jù)的測試結(jié)果，由圖13 可知模型對弧前的正常電流數(shù)據(jù)全部誤判，主要誤判為故障類型6(小太陽故障)及故障類型4(手電鉆故障)，可見在添加隨機噪聲后某些正常電流的特征與發(fā)生電弧故障后的電流特征十分相似，同時發(fā)現(xiàn)在燃弧后也存在少許誤判點，但主要集中在初始燃弧階段，總體誤判率為37%。由上述分析可知，背景噪聲對模型性能的影響較大，因此本文首先使用3 層小波閾值降噪來對添加噪聲后的電流數(shù)據(jù)進行預(yù)處理，小波基選擇默認的db4，隨后導(dǎo)入模型進行測試，測試結(jié)果如圖14 所示。由圖14可知，在進行降噪后，模型對正常電流數(shù)據(jù)的誤判有了改善，但對故障后電流數(shù)據(jù)的誤判顯著增多，推測是因為洗衣機發(fā)生故障時的電弧電流特征較為明顯，小波降噪誤將有用的信號誤認為噪聲去掉，經(jīng)統(tǒng)計模型對降噪后的電流數(shù)據(jù)誤判率為29%，較之前有所下降。綜上，背景噪聲對模型的診斷及選線能力影響較大，在實際應(yīng)用時要對數(shù)據(jù)進行降噪預(yù)處理或者在診斷裝置前安裝高通濾波器，以使背景噪聲對模型性能的影響降到最低。

圖12 添加噪聲前后的電流波形對比

圖13 加噪數(shù)據(jù)測試結(jié)果

圖14 db4 小波降噪測試結(jié)果

4.3 模型泛化性分析

在日常的家用電路中，人們并不會固定使用某幾種負載，如果將本文的診斷及選線模型應(yīng)用到實際中，可能會受到負載投切等擾動的影響，假設(shè)某一時刻切掉兩種負載而啟動另外兩種新的負載，此時模型是否仍能準確識別故障發(fā)生并判定其發(fā)生在哪條線路需要進一步的測試。本文將原來的手電鉆、洗衣機替換為熱水壺、吹風(fēng)機進行試驗，試驗方案見表2 的試驗組別7～12。當故障發(fā)生在燈泡支路時，截取連續(xù)干路電流數(shù)據(jù)進行驗證，測試結(jié)果如圖15 所示。由圖15 可見，模型對正常電流數(shù)據(jù)有少許誤判點，誤判為類型5(洗衣機故障)，而在3 s時，模型準確判斷系統(tǒng)發(fā)生了電弧故障，此時實際故障類型為1(燈泡故障)，而模型在故障后存在較多誤判點，將故障判定為3(干路故障)，總體誤判率為20%，遠高于原始線路。可見該模型有一定的抗擾動能力，能較為正常地發(fā)揮診斷功能，但在選線上會受到較大影響，主要是負載類型改變，使數(shù)據(jù)的高斯分布發(fā)生變化，模型對新的電路選線效果不佳，泛化性一般。

圖15 模型泛化性測試

4.4 運行時間測試

在實時場景下故障電弧的檢測需要較快的時間，以便盡可能快地將故障電路與正常電路隔離。根據(jù)IEC 和UL 標準，電弧故障應(yīng)在0.12～1 s 內(nèi)消除。因此本文使用預(yù)存儲的數(shù)據(jù)，在樹莓派3B-V1.2上驗證算法。在測試過程中，將數(shù)據(jù)樣本從設(shè)備的存儲內(nèi)存中讀取，然后將每個數(shù)據(jù)樣本提取到模型中進行測試。結(jié)果顯示模型對單個樣本檢測的平均用時為53 ms，滿足標準要求。

4.5 與現(xiàn)有深度學(xué)習(xí)方法的比較

為了將本文的一維卷積神經(jīng)網(wǎng)絡(luò)與其他方法進行比較，設(shè)立了包括最高識別精度、能否進行選線以及采樣率等指標，相關(guān)總結(jié)如表5 所示。

表5 與其他方法的屬性比較

結(jié)果表明所提出的一維卷積神經(jīng)網(wǎng)絡(luò)達到了98.6%的故障電弧檢測及選線準確率，高于或與其他方法接近，但其他方法試驗電路均為單相單負載，只能進行故障電弧的診斷，無法進行選線，實用性較差。其中文獻[11]需要先對電流數(shù)據(jù)進行高通濾波后轉(zhuǎn)化為灰度值圖像，再輸入卷積神經(jīng)網(wǎng)絡(luò)進行特征提取，工作量較大且對計算機的顯卡性能要求很高。同時本文試驗時的采樣率選定為100 kHz，使得原始輸入電流信號可以具有電弧詳細且最佳的特征，避免干擾信號過多引起識別困難。

5 結(jié)論

本文通過開展家用多負載并聯(lián)的串聯(lián)故障電弧試驗及數(shù)據(jù)分析、建立基于一維卷積神經(jīng)網(wǎng)絡(luò)故障電弧診斷及選線模型，得到以下結(jié)論。

(1) 多負載回路干路發(fā)生串聯(lián)型故障電弧時，其干路波形會出現(xiàn)較為明顯的變化，即出現(xiàn)零休、諧波增加、電流幅值減小等。而對于多負載單支路故障，干路電流大多變化不明顯。

(2) 通過建立一維卷積神經(jīng)網(wǎng)絡(luò)，以不同工況下的干路電流樣本訓(xùn)練了診斷及選線模型，驗證集準確率達到了98%以上。但模型的測試效果不夠好，需要在數(shù)據(jù)集以及模型架構(gòu)方面做出改進以進一步優(yōu)化模型。

(3) 對模型進行了抗擾動測試分析，發(fā)現(xiàn)背景噪聲對模型的性能有較大影響，實際應(yīng)用中需要對電流數(shù)據(jù)先行進行濾波處理。

(4) 研究發(fā)現(xiàn)模型在電路條件改變不大時仍能發(fā)揮故障診斷作用，但選線效果較差。后續(xù)需要對模型進一步優(yōu)化，以增強其抗擾動性及泛化性。